Page 214 - 《水产学报》2023年第1期

王禹莎，等 水产学报, 2023, 47(1): 019516

16 4% 以内。黄康为 [37] 基于机器视觉对水下鱼类进
BW
14 M=a+bS 行体长和体宽的预测，相对误差分别为 4.7% 和
12 9.2%。本研究体长、体高预测的精度与以往研究
体重/g body weight 10 8 基本一致。
体重是衡量鱼类生长速率和经济价值最直观

6 的性状，鱼体表面积与体重存在显著相关，有研
究对 4 种纳氏白鲑 (Coregonus nelsonii) 的体重进
4
行 预 测 ， 发 现 体 重 与 体 表 面 积 的 相 关 系 数 为
2
[20]
6 8 10 12 14 16 18 20 22 24 0.93~0.99 。杨杰超等 [14] 发现基于体长来预测大
体表面积/cm 2 黄鱼体重比全长预测体重更准确，其体长与体重
rescaled area
的相关性达到 0.999 2。本研究评估线性、幂函数、
(a)
多项式这三个模型对大黄鱼的体重预测效果，发
16 现基于体表面积、体长和体高三个指标的多项式
BW
14 M=aS b 拟合效果最好，相关系数达到 0.99，平均相对误
12 差为 3%，而基于体表面积的线性模型和幂函数模
体重/g body weight 10 8 型计算的相关系数分别为 0.97 和 0.97，说明用于
体重预测的体型信息越多，体重预测越准确。鱼

6 类体重不仅取决于形状和体积，也取决于内脏百
分比、内脏脂肪的占比等 [38-40] ，而这些信息无法
4
从图像中获取，需要采取其他方法，如超声波测
2
[38]
6 8 10 12 14 16 18 20 22 24 量等来解决 。在大黄鱼养殖中，繁殖期的雌雄
体表面积/cm 2 亲鱼之间体型差异很大，内脏和脂肪占比也不同，
rescaled area
受样本组成和样本量的影响，本研究仅使用 3 月
(b)
龄 (体重 2~16 g) 的大黄鱼进行体重预测，其拟合
图 6 鱼体表面积与体重之间的回归关系
模型只能用于相同月龄或相同规格的鱼类。因此，
(a) 线性回归，(b) 非线性回归
有必要测量不同月龄的大黄鱼，丰富扩大训练集
Fig. 6 Regression relationships between body
样本量，使得测量装置可以用于不同月龄大黄鱼
weight and fish body surface area
体重性状预测。
(a) linear regression, (b) nonlinear regression
高效便捷一直是研究者所关注的重要评价指
中添加了全卷积神经网络 (fully convolutional net-
标，本实验结果表明，使用本研究算法进行检测，
work，FCN)，可同时完成目标检测、目标分类、
检测速率为 3.0 s/条，而手持游标卡尺进行检测，
像素级目标分割三任务。检测精度对于体尺性状
检测速率为 38.0 s/条。系统检测的效率是人工检
检测算法而言非常重要。原始数据的采集是决定
测的 8 倍以上，且人工检测难以做到速度和准确
算法精度最关键的步骤之一。其中，标准化光照
性的同时提高。
[14]
尤为重要 。Hsieh 等 [33] 利用霍夫变换计算金枪鱼 本研究提出的算法具有可扩展性，在将来的
的长度，提出的算法对 600 幅金枪鱼图像的检测 研究中，拟在系统内纳入更丰富的大黄鱼表型性
平均误差为 4.5% §4.4%。Monkman 等 [34] 使用不同 状检测功能，如体色评价分级等；并进一步优化
框架下的 R-CNN 模型对舌齿鲈 (Dicentrarchus lab- 拍摄装置，以提升原始数据集质量，提高检测
rax) 的体长进行检测，并结合 OpenCV 提高图像 精度。
计算精度，平均误差为 2.2%，但该模型仅适用于
鲈。Munoz-Benavent 等 [35] 使用立体视觉系统对大 （作者声明本文无实际或潜在的利益冲突）
西洋蓝鳍金枪鱼 (Thunnus thynnus)的体长进行测量，
平均误差为 3%。房舒 [36] 基于深度学习方法，对 参考文献 (References)：
鱼类体长和全长测量的平均相对误差的精度在 [ 1 ] 农业农村部渔业渔政管理局, 全国水产技术推广总站,

中国水产学会主办 sponsored by China Society of Fisheries https://www.china-fishery.cn
7